基于無人機圖像的松樹枯萎病近距離檢測方法研究

Plant Phenomics | 南京林業(yè)大學利用改進的深度學習方法探索基于無人機圖像的松樹枯萎病近距離檢測方法

松樹枯萎病（PWD）是一種由松木線蟲引起的疾病，屬于破壞性極大的森林病害，對中國的針葉林構(gòu)成嚴重威脅。為了更好的檢測和控制松樹枯萎病的蔓延，迫切需要一種實時、高效的方法來檢測受感染的樹木。然而，現(xiàn)有的目標檢測模型在兼顧輕量級設(shè)計和準確性方面往往面臨挑戰(zhàn)，尤其是在復雜的混交林中。
 

2023年12月，Plant Phenomics 在線發(fā)表了南京林業(yè)大學題為 Exploring the Close-Range Detection of UAV-Based Images on Pine Wilt Disease by an Improved Deep Learning Method 的研究論文。
 

該文研究人員針對 YOLOv5s（You Only Look Once version 5s）算法進行了改進，提出了實時高效模型 PWD-YOLO。首先，構(gòu)建了一個由多個相連的 RepVGG 塊組成的輕量骨架，這種設(shè)計避免了不同網(wǎng)絡(luò)之間的流動所造成的額外計算負擔，并通過其獨特的殘差設(shè)計進一步彌補了多分支結(jié)構(gòu)的缺點，大大提高了模型的推理速度。針對計算量小導致信道信息丟失的缺點，該模型的特征融合網(wǎng)絡(luò)提出了擁有更豐富梯度流信息的 C2fCA 模塊，并引入了 GSConv 網(wǎng)絡(luò)，取代了原算法的 C3 模塊和常規(guī)卷積，在速度和精度之間取得了平衡。最后采用雙向特征金字塔網(wǎng)絡(luò)（BiFPN）策略，加強網(wǎng)絡(luò)中多個尺度的 PWD 感染樹之間的信息傳播和共享。
 

圖 2 LabelImg 標注的不同環(huán)境下的數(shù)據(jù)示例。(A) 紅色闊葉樹和裸露土地。(B) 紅色闊葉樹。(C) 目標遮擋。(D) 紅色闊葉樹和目標遮擋。(E) 枯樹和不完整目標。(F) 枯樹和目標遮擋。(G) 多尺度和枯樹。(H) 小目標。
 

圖3  YOLOv5 的網(wǎng)絡(luò)架構(gòu)
 

圖8 PWD-YOLO的網(wǎng)絡(luò)構(gòu)架
 

圖 9 不同模型在不同復雜環(huán)境中檢測 PWD 的結(jié)果。(A) 紅色闊葉樹。(B) 紅色闊葉樹。(C) 紅色闊葉樹。(D) 裸地。(E) 密集目標。
 

本研究根據(jù)實際需求，通過改進 YOLOv5，提出了一種實時高效的檢測方法，驗證了僅利用無人機獲取的 RGB 圖像檢測復雜混交林中感染松樹枯萎病的變色樹木的有效性和可行性。所提出的 PWD-YOLO 的F1分數(shù)和mAP@0.5分別達到83%和87.7%，比原來的YOLOv5s（82%和86.2%）分別高出1%和1.5%，表現(xiàn)出很強的魯棒性。與其他主流物體檢測模型相比，PWD-YOLO 在模型輕量化方面具有顯著優(yōu)勢，模型大小、計算復雜度和參數(shù)大小分別僅為 2.7 MB、3.5 GFLOPs 和 1.09 MB。在檢測速度方面，每秒幀數(shù)達到了 98.0，更適合部署在消費級無人機等嵌入式設(shè)備上。在測試集上進行評估時，所提出的模型的精確度、召回率和 F1 分數(shù)分別達到了 93.9%、92.5% 和 95.3%。這表明即使在不同的森林環(huán)境中，該模型也具有出色的泛化能力。
 

圖 10. 不同干擾條件下 YOLOv5s 和 PWD-YOLO 熱圖的可視化結(jié)果。(A) 紅色闊葉樹和枯樹。(B) 密集目標。(C) 紅色闊葉樹。(D) 紅色闊葉樹和裸露土地。(E) 目標不完整。(F) 枯死樹木和裸露土地。

總的來說PWD-YOLO 能夠作為一種有效的工具在各種環(huán)境下實時、準確地檢測感染松樹枯萎病的樹木，為控制松樹枯萎病的傳播提供強有力的技術(shù)支持，滿足森林管理的實際需求。該方法還為消費級無人機結(jié)合深度學習算法在森林資源監(jiān)測、精準林業(yè)、智慧林業(yè)等相關(guān)領(lǐng)域的應(yīng)用提供了寶貴的啟示，展示了廣闊的實際應(yīng)用前景。
 

本研究中使用和分析的部分數(shù)據(jù)、代碼和優(yōu)化模型已上傳至網(wǎng)站：https://github.com/YeXinQuan/PWD-YOLO。

此外，本研究中的所有自制數(shù)據(jù)集（共 6,308 張）可通過聯(lián)系相應(yīng)作者獲得。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0129

——推薦閱讀——

CountShoots: Automatic detection and counting of slash pine new shoots using UAV imagery

https://spj.science.org/doi/10.34133/plantphenomics.0065

Plant Phenomics | "CountShoots"：一種使用無人機圖像的濕地松新抽梢自動檢測和計數(shù)軟件

ExtSpecR: a R package and tool for extracting trees spectra from UAV-based remote sensing 

https://spj.science.org/doi/10.34133/plantphenomics.0103

Plant Phenomics | ExtSpecR：無人機與R語言聯(lián)手，樹木光譜分析更簡單

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應(yīng)用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：李嘉琦（南京農(nóng)業(yè)大學）
排版：趙倩瑩（南京農(nóng)業(yè)大學）
審核：孔敏、王平